CN113448813A - 移动终端的温度处理方法、装置及存储介质 - Google Patents

移动终端的温度处理方法、装置及存储介质 Download PDF

Info

Publication number
CN113448813A
CN113448813A CN202010216932.5A CN202010216932A CN113448813A CN 113448813 A CN113448813 A CN 113448813A CN 202010216932 A CN202010216932 A CN 202010216932A CN 113448813 A CN113448813 A CN 113448813A
Authority
CN
China
Prior art keywords
temperature
mobile terminal
heating device
determining
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010216932.5A
Other languages
English (en)
Inventor
赵宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xiaomi Mobile Software Co Ltd
Original Assignee
Beijing Xiaomi Mobile Software Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xiaomi Mobile Software Co Ltd filed Critical Beijing Xiaomi Mobile Software Co Ltd
Priority to CN202010216932.5A priority Critical patent/CN113448813A/zh
Publication of CN113448813A publication Critical patent/CN113448813A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/24—Arrangements for testing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Telephone Function (AREA)
  • Control Of Temperature (AREA)

Abstract

本公开是关于一种移动终端的温度处理方法、装置及存储介质；其中，所述方法应用于移动终端，所述方法包括：检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。如此，可以通过建立的目标神经网络模型，实现对移动终端表面温度的准确预测。

Description

移动终端的温度处理方法、装置及存储介质
技术领域
本公开涉及智能控制领域，尤其涉及一种移动终端的温度处理方法、装置及存储介质。
背景技术
随着手机的普及和更新换代，手机的使用场景越来越丰富，手机的性能也越来越好。而相对应的，功耗不断增加，手机的发热风险也与日俱增。手机的发热风险直接体现在手机的表面温度上，进而对用户的使用体验也造成了影响。目前，由于只能在热量传递到表面后才能获取到表面温度，无法在发热之前就提前预测出表面温度，导致表面如果存在过热的温度会直接被用户感知，影响用户体验。
发明内容
本公开提供一种移动终端的温度处理方法、装置及存储介质。
根据本公开实施例的第一方面，提供一种移动终端的温度处理方法，应用于移动终端，所述方法包括：
检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
可选地，所述方法还包括：
根据所述终端结构，确定所述移动终端的热传导模式；
基于所述热传导模式，建立待训练的神经网络模型；
获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
可选地，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值；
所述方法还包括：
根据所述移动终端中包括发热器件在内的全部器件的位置，确定所述终端结构；
所述根据所述终端结构，确定所述移动终端的热传导模式，包括：
根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
可选地，所述方法还包括：
在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
对所述第一目标发热器件进行产热降低的性能限制。
可选地，所述确定出所述移动终端内部导致表面温度超过预设值的第一目标发热器件，包括：
根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
可选地，所述方法还包括：
在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
对所述第二目标发热器件进行产热降低的性能限制。
根据本公开实施例的第二方面，提供一种移动终端的温度处理装置，包括：
检测单元，用于检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
预测单元，用于将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
可选地，所述装置还包括：
热传导模式确定单元，用于根据所述终端结构，确定所述移动终端的热传导模式；
模型建立单元，用于基于所述热传导模式，建立待训练的神经网络模型；
获取单元，用于获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
迭代处理单元，用于将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
可选地，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值；
所述装置还包括：
终端结构确定单元，用于根据所述移动终端中包括发热器件在内的全部器件的位置，确定所述移动终端的所述终端结构；
所述热传导模式确定单元，包括：
热传导性能确定单元，用于根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
确定子单元，用于根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
可选地，所述装置还包括：
超温确定单元，用于在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
第一产热限制单元，用于对所述第一目标发热器件进行产热降低的性能限制。
可选地，所述超温确定单元，包括：
超温确定子单元，用于根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
可选地，所述装置还包括：
预测处理单元，用于在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
温度变化确定单元，用于根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
发热器件确定单元，用于在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
第二产热限制单元，用于对所述第二目标发热器件进行产热降低的性能限制。
根据本公开实施例的第三方面，还提供一种移动终端的温度处理装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行所述存储器中存储的可执行指令时，实现上述第一方面的任一项所述的方法。
根据本公开实施例的第四方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的温度处理装置的处理器执行时，使得所述移动终端的温度处理装置能够执行上述第一方面的任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
本公开实施例先基于所述移动终端的终端结构得到的目标神经网络模型，进而将检测移动终端内部至少一个发热器件的温度所得到的检测温度输入到所述目标神经网络模型中，以此预测得到所述移动终端表面的至少一个检测点上的表面温度。这里，一方面，由于是根据终端结构得到的目标神经网络模型，使得选择的模型更符合移动终端的热传导特点，对表面温度的预测可以达到更为准确地预测效果；另一方面，不再是利用单点测量的温度作为移动终端的外表面的温度，而是通过多点测量的内部的检测温度结合目标神经网络模型，估算出移动终端的外表面的表面温度，这样使得最终得到的表面温度更加接近真实温度，因此再次提高了所获得温度的精确度。如此，可以实现对移动终端的表面温度的准确预测。进一步地，由于在检测到内部的各发热器件的温度后可以直接预测出表面温度，那么就可以在热量传递到移动终端的表面之前就了解移动终端表面的发热情况，使得对用户使用移动终端的热体验可以进行预测，为后续移动终端的发热管理提供最直接的温度参考。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图一。
图2是一种移动终端的终端结构的示意图。
图3是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图二。
图4为根据一示例性实施例示出的一种神经网络模型的结构示意图。
图5为根据一种移动终端的终端结构所确定的热传导模式的示意图。
图6是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图三。
图7是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图四。
图8为根据一示例性实施例示出的一种移动终端的红外热像图。
图9为根据一示例性实施例示出的一种反映移动终端表面最高温度和时间的关系的示意图。
图10是根据一示例性实施例示出的一种移动终端的温度处理装置的结构示意图。
图11是根据一示例性实施例示出的一种移动终端的温度处理装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在手机的使用中，如果在热量传递至表面之前就提前获知表面温度，进而进行调节就可以避免手机表面的过度发热风险，可以极大地提升用户体验。但要实现在热量传递至表面之前就提前获知表面温度，需要能够准确地预测出表面温度。
为了准确预测出手机的表面温度，本公开实施例提供一种移动终端的温度处理方法，图1是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图一，如图1所示，所述方法应用于移动终端，包括以下步骤：
步骤101，检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
步骤102，将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
需要说明的是，所述移动终端可以是任一种可移动的电子设备，例如，智能手机、平板电脑或者可穿戴式电子设备等。
所述检测温度是指对移动终端内部的发热器件的发热量进行检测所得到的温度。所述表面温度是指移动终端表面的至少一个检测点上的温度。
本公开实施例中，所述发热器件是指在运行过程中会散发热量的器件；例如，系统级芯片(System on Chip，SOC)、各类功能芯片(如电源的处理芯片)或大功耗的传感器。
所述检测所述移动终端内部的至少一个发热器件的温度，可以通过在移动终端内部的各个发热器件旁放置温度传感器实现；也可以将发热器件按照位置的布局情况划分为多个区域，其中，每个区域包含多个发热器件；在每个区域靠近中心的位置放置温度传感器。
所述放置温度传感器的位置称为待检测点。通过温度传感器对所述待检测点上的温度进行检测后，所述待检测点即变为了检测点。如此，对移动终端内部的发热器件发出的热量进行检测时，实际检测的是内部的多个待检测点处的检测温度。
例如，在移动终端内设置一个或多个待检测点，在待检测点上的一个或多个温度传感器会进行温度传感，从而得到所述检测温度。
所述检测所述移动终端内部的至少一个发热器件的温度可以是实时检测，也可以是按照设置的检测周期进行检测，或者是在需要进行表面温度预测时进行检测。
所述温度传感器包括：热敏电阻或热电偶；例如，具有负温度系数(NTC)的热敏电阻。
在本公开实施例中，为了实现对表面温度的预测，需要预先建立目标神经网络模型。所述目标神网络模型可以根据移动终端的终端结构建立。这里，所述移动终端的终端结构是指移动终端的硬件结构，反映了移动终端中包括发热器件在内的各个器件的布局和组装情况。
所述移动终端内部的器件包括：在运行过程中会散发热量的器件(即发热器件)和不会散发热量的器件。一般而言，由于移动终端中各个器件的布局和组装情况会对表面温度产生直接的影响。那么，本公开实施例通过终端结构来构建目标神经网络模型，可以使得构建的目标神经网络模型更符合实际的发热情况，可以提高模型的处理准确性。
图2是一种移动终端的终端结构的示意图，如图2所示，所述移动终端包括：屏幕、中框、主板、电池、后壳和后盖。所述主板位于中框和后壳之间，用于放置会散发热量的发热器件。为了检测出发热器件发出的热量，在所述主板上放置用于检测发热器件发热量的至少一个温度传感器。如图2所示，示出了在主板上放置4个温度传感器的情况。
在移动终端使用的过程中，发热器件发出的热量会传递至屏幕和后盖上，使得用户手握移动终端时会感知到移动终端的表面温度。由于发出热量的发热器件大多位于主板上，那么发热器件在主板上的位置以及主板自身的放置位置等均会影响热量传递的结果。如此，本公开实施例可以基于移动终端的终端结构建立目标神经网络模型，以准确地反映热量的传递结果。
这里，所述基于移动终端的终端结构建立目标神经网络模型，可以是：先基于移动终端的终端结构，确定出移动终端中各个发热器件的热传递情况，进而基于热传递情况来选择合适的神经网络模型，再通过对神经网络模型的模型参数的确定，来得到所述目标神经网络模型。
所述基于移动终端的终端结构，确定出移动终端中各个发热器件的热传递情况，包括：基于所述移动终端的终端结构所反映的各个发热器件的布局情况，确定出移动终端中各个发热器件的热传递情况。
所述热传递情况包括：热传递方向和/或热传递路径。
实际应用中，发热器件发出热量后，热量会向四周发散，由于需要确定的是传递至表面的热量，那么所述热传递方向是指：相邻的发热器件所在方向。所述热传递路径则是热量从发出热量的发热器件传导至移动终端表面的路径。
移动终端内部的多个发热器件在工作时会产生热量，而移动终端的表面与环境接触，也可以散热。所述热传递方向总体上是从移动终端内部到移动终端的外部。
需要说明的是，由于不同的发热器件对热量的传导性能存在不同，热量在传导中会更快地传导通过导热系数更高的发热器件，例如，金属材质的边框。如此，多条所述热传递路径的传导效率存在不同。
通常在移动终端内金属或合金材质的器件是热的良导体，经过这些器件的热传递路径的传递效率更高，从而可能会导致位于这种路径表面处的实际温度相对于其他地方的温度较高。因此，不同的热传递路径具有不同的散热效果。
这里，各个热传递路径的传导效率可以根据散热系数来表示，即热传递路径所对应的散热系数越大，则热传递路径的传导效率越低。而所述神经网络模型是根据终端结构，在确定出各个热传递路径的散热系数之后，构建的用于预测移动终端表面各处温度的深度学习模型，从而具有预测的温度与实际温度之间的差异小的特点。
需要说明的是，所述热传递情况反映着发热器件发出的热量传递至表面的过程。
这里，所述目标神经网络模型的输入是：通过对内部的发热器件的发热量进行检测而得到的检测温度；所述目标神经网络模型的输出是：移动终端表面的至少一个检测点的表面温度。
由于每个发热器件的放置位置影响的表面温度可能是一个区域，如果在该区域上设置多个检测点，那么模型的输出就是移动终端表面上多个检测点对应的表面温度。
检测多个发热器件的温度会对应得到多个检测温度，将多个检测温度输入至所述目标神经网络模型中，可以得到的一个检测点上的表面温度，也可以得到多个检测点上的表面温度。即本公开实施例对输入至目标神经网络模型中的检测温度的个数，和得到的检测点上的表面温度的个数不作限定。
例如，对6个发热器件的温度进行检测，会对应得到6个检测温度，将6个检测温度输入目标神经网络模型中，可以预测得到2个检测点上的表面温度；也可以是将6个检测温度输入目标神经网络模型中，预测得到6个检测点上的表面温度。
如此，本公开实施例先基于所述移动终端的终端结构得到目标神经网络模型，进而通过检测出移动终端内部至少一个发热器件的温度，得到检测温度，并将所述检测温度输入到所述目标神经网络模型中，以此可以预测得到所述移动终端表面的至少一个检测点上的表面温度。这里，由于准确获知了表面温度，可清楚地知道用户对手机表面的热体验，为手机的发热管理可以提供最直接的温度参考。
在一些实施例中，图3是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图二，如图3所示，所述方法还包括：
步骤201，根据所述终端结构，确定所述移动终端的热传导模式；
步骤202，基于所述热传导模式，建立待训练的神经网络模型；
步骤203，获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
步骤204，将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
需要说明的是，所述步骤201至204在步骤102之前发生。在得到目标神经网络模型之后，即可基于所述目标神经网络模型对根据移动终端内部的至少一个发热器件的温度所获取至少一个检测温度进行处理，得到移动终端表面的至少一个检测点上的表面温度。
除此之外，考虑到温度的时效性，每个时刻检测的温度会存在区别，在一些实施例中，如图3所示，所述步骤201至204也可以是在步骤101之前发生，即预先设置好所述目标神经网络模型，在需要对表面温度进行预测时，就检测内部的至少一个发热器件的温度，进而输入到所述目标神经网络模型中得到至少一个检测点上的表面温度。
在一些实施例中，所述终端结构可以根据所述移动终端中包括发热器件在内的全部器件的位置来确定。
这里，可以根据移动终端中器件的位置来确定各个器件的布局情况，进而确定出所述移动终端的所述终端结构。
所述热传导模式是指移动终端内部发热器件发出的热量传递至移动终端表面的热传导路径所组成的传输网络，反映着发热器件发出的热量传递至表面的过程。该传输网络内不同节点之间的散热系数不同，散热系数越大，则散热能力越强。
所述待训练的神经网络模型是指根据移动终端的热传导模式所建立的神经网络模型，所述待训练的神经网络模型的初始参数可以根据热传导模式中的各个位置的热阻来确定，即根据各个位置的热阻的大小，对各个部分的热量传递情况进行权重设置。
这里，各个位置的热阻越大，则传导热量的能力越小，导致经它传导至表面的热量越小，则其对应的权重越小。
图4为根据一示例性实施例示出的一种神经网络模型的结构示意图，如图4所示，通过位于移动终端内部的各个温度传感器，检测得到各个发热器件处的检测温度(1-i)，将各个发热器件处的检测温度(1-i)输入到神经网络模型中，经过各层的各个神经元的处理，最后输出多个检测点上的表面温度(1-j)。在图4中，所述1-1到n-1是指第一层的n个神经元，所述n-1到n-m是指第n层的m个神经元。
在确定了待训练的神经网络模型后，就可以通过所述移动终端历史使用中所采集的样本数据，对所述待训练的神经网络模型进行训练来不断优化模型的参数，直至得到可以准确预测出表面温度的所述目标神经网络模型。
这里，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本。所述检测温度样本就是指：在移动终端历史使用中，根据移动终端内部放置的温度传感器所检测得到的发热器件的温度集合。所述表面温度样本就是指：在移动终端历史使用中，根据移动终端表面放置的温度传感器所检测得到的检测点上的温度集合。
所述样本数据可以是实验室数据，即在对表面温度进行预测前，通过多次实验对内部的检测温度和表面的表面温度进行采集所得到的数据。
需要说明的是，一次采集得到的检测温度样本和表面温度样本是一组对应的数据。
所述表面温度样本是指：通过表面放置的温度传感器或者通过红外线照射所检测得到的检测点上的温度所组成的样本。所述实际表面温度样本是指：将检测温度样本输入待训练的神经网络模型中得到的样本。当将检测温度样本输入到神经网络模型后，如果输出的所述实际表面温度样本极其接近所述检测温度样本，或者与所述检测温度样本相同，就认为此时的神经网络模型为目标神经网络模型。
这里，所述实际表面温度样本与所述检测温度样本相同的情况，需要耗费大量时间才可能达到，且很少出现，因此，本公开实施例当所述实际表面温度样本极其接近所述检测温度样本时，就认为得到了所述目标神经网络模型。考虑到工作的复杂性和实验效率，可以通过设置收敛条件来确定所述实际表面温度样本是否极其接近所述检测温度样本。
所述收敛条件可以是：所述实际表面温度样本和所述检测温度样本的差值满足于预设值；即，先设置一个预设值，如果将检测温度样本输入神经网络模型中输出的实际表面温度样本，与样本数据中所述检测温度样本对应的表面温度样本的差值小于所述预设值，则认为满足收敛条件，此时的模型参数就是最终目标神经网络模型的模型参数。如此，得到了目标神经网络模型。
在另一个实施例中，满足收敛条件可包括：在预设次数的迭代中输出的实际表面温度样本与对应的样本数据中的表面温度样本差值最小。即先设置迭代次数，当进行了预设次数的迭代后，将输出的实际表面温度样本与对应的样本数据中的表面温度样本差值最小的模型，设置为目标神经网络模型。
如果输出的实际表面温度样本，与对应的样本数据中的表面温度样本的差值一直不小于所述预设值，则不断的调整模型参数，通过调整模型参数后新的神经网络模型对检测温度样本进行处理，输出实际表面温度样本，再将实际表面温度样本与所述检测温度样本对应的表面温度样本继续进行比较，直至差值小于所述预设值，得到目标神经网络模型。
如此，通过终端结构确定热传导模式，进而建立待训练的神经网络模型，通过历史使用中所采集的样本数据对所述待训练的神经网络模型进行迭代处理的方式，可以得到能够准确预测出表面温度的目标神经网络模型，为后续表面温度的调节提供基础。
在一些实施例中，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
由于所述热传导模式是热传导路径所组成的传输网络，那么所述热传导模式中会包含移动终端内部的发热器件和表面温度的对应影响关系，即A发热器件位于A位置，就会对表面a区域的表面温度造成影响。而同样的B发热器件位于B位置，由于移动终端内部的叠层结构或者其他布局因素，导致位于B位置B发热器件发出的热量也会传递至表面a区域。那么所述热传导模式中就会反映出：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合。
相对应的，所述移动终端表面的各个检测点受所述发热器件集合中发热器件温度影响的权重值是指：对移动终端表面的各个检测点的表面温度造成影响的对应所述发热器件集合中，各个发热器件的温度影响的影响程度。例如，表面a区域的表面温度可能受内部的A发热器件和B发热器件的温度影响，那么A发热器件和B发热器件就是表面a区域的表面温度对应的发热器件集合中的发热器件，这里的权重值就是指对表面a区域的表面温度的影响中，A发热器件和B发热器件分别所占的比重。
为了确定出移动终端的所述热传导模式，步骤201中，所述根据所述终端结构，确定所述移动终端的热传导模式，包括：
步骤2011，根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
步骤2012，根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
这里，所述热阻是指在热量以热传导的方式传递时遇到的阻力。
本公开实施例中，影响表面温度的热阻包括2种：名义热阻和对流热阻。所述名义热阻是指发热器件发出的热量传导至表面的过程中硬件结构所导致的热阻。所述对流热阻是指外部环境气流所导致的热阻，即移动终端的表面与环境间会存在自然对流与热辐射，所述自然对流与热辐射称之为对流热阻。
所述热阻的热传导性能是指：热阻对热量传导的影响大小，反映了各类热阻对移动终端表面的各个检测点的温度影响大小。
这里，所述根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值，包括：
根据所述热传导性能的大小和发热器件的位置关系，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
即发热器件的位置放置决定了对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，而发热器件集合中各个位置的热阻的热传导性能就决定了各个检测点受所述发热器件集合中发热器件温度影响的权重值。
如此，当确定了热阻的热传导性能，在终端结构的基础上就可以确定出对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。如此，为后续用于预测表面温度的神经网络模型的确定提供了基础。
图5为根据一种移动终端的终端结构所确定的热传导模式的示意图，如图5所示，根据移动终端的终端结构可以获知移动终端中各个发热器件的位置情况，而根据位置就可以确定出热量传递过程中各个位置的热阻，得到热量的传输网络。如图5所示，R2就是外部环境气流对表面温度的影响所导致的热阻。
那么，以图5中的片上系统的发出热量传导至屏幕为例，移动终端中热量的传输网络可以是：片上系统发出的热量后，热量会传导至与其接近的壳体，进而再传递到中框，然后至屏幕；检测屏幕处的温度就可以确定，片上系统至屏幕的热传导过程中各个位置的热阻对屏幕温度所造成影响的大小关系。热量在壳体中会遇到传输的阻力，即壳体热阻，传导至中框会受壳体热阻的影响，进而传导至屏幕会受屏幕热阻的影响，最终屏幕处检测的温度就是基于这些热阻所确定。
如图5所示，在本公开实施例中，为了简化操作，可以将相邻位置的硬件结构划分为一个整体，确定一个总的热阻。例如，由于壳体、中框和屏幕的位置相邻，可以将这3个部分的热阻归纳成一个总的热阻R1。对应的，如图5所示，主板、后壳和后盖的位置相邻，可以将这3个部分的热阻和外部气流对后盖所导致的热阻归纳成一个总的热阻R4。如此，确定出了各个位置的热阻大小，就确定出了移动终端中各个热传导路径上的热量传递情况，就可以确定出了对表面温度存在影响的各个数值。
如此，基于各个数值就可以确定出表面温度与检测温度的函数形式，即确定出待训练的神经网络模型：Ttp＝aTntc-1+bTntc-2+cTntc-3+....+iTntc-i+Φ。这里，所述Ttp为屏幕温度，Tntc-i为第i个温度传感器检测到的内部的检测温度，i可取正整数。Φ是常数项，可以根据需要设置。
在得到待训练的神经网络模型后，即可根据移动终端历史使用中所采集的样本数据对所述待训练的神经网络模型进行训练，求解模型参数，得到能够准确预测表面温度的目标神经网络模型。
本公开实施例通过分析热传导模式的特点，根据热传导模式的特点来选择合适的神经网络模型，如此，选择的模型更贴合实际需要，也有利用于后续的模型训练的训练速度的提高。
在一些实施例中，图6是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图三，如图6所示，所述方法还包括：
步骤103，在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
步骤104，对所述第一目标发热器件进行产热降低的性能限制。
这里，所述预设值可以设置为高于人体体温的温度；例如，40度。
所述第一目标发热器件是指散发的热量会导致表面温度超过所述预设值的发热器件。例如，如果位于主板上的A芯片，在运行中散发出的热量经过热传导到达移动终端表面后，使得表面上的a区域的w检测点的温度超过所述预设值，则A芯片为第一目标发热器件，w检测点处的温度为目标表面温度。
所述产热降低的性能限制包括但不限于：限制工作电流、降低工作频率及禁止部分功能的开启等其中至少之一。这里，限制了工作电流和工作频率就可以降低发热器件在运行中的功耗，以此达到对发出的热量进行限制。
这里，在步骤103之前，需要确定预测出的所述至少一个检测点上表面温度中是否存在温度超过预设值的目标表面温度。而所述确定预测出的所述至少一个检测点上表面温度中是否存在温度超过预设值的目标表面温度，可以是将预测出的所述至少一个检测点上表面温度与预设值进行比较来确定。
需要说明的是，所述步骤301和302发生在步骤102之后。即在将所述检测温度，输入到目标神经网络模型中预测出至少一个检测点上表面温度后，对所述至少一个检测点上表面温度进行分析，确定出所述至少一个检测点上表面温度中是否存在超过预设值的表面温度。当存在超过预设值的目标表面温度时，确定出移动终端内部的导致表面温度超过预设值的第一目标发热器件。
在一些实施例中，步骤103中，所述确定出所述移动终端内部导致表面温度超过预设值的第一目标发热器件，包括：
步骤1031，根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
这里，由于所述目标神经网络模型就是一种反映了内部的检测温度和表面的表面温度的映射关系的模型。而所述目标神经网络模型是基于所述热传导模式建立，进而通过样本数据训练得到的。那么，就可以基于所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过预设值的第一目标发热器件。
如上所述，移动终端的表面温度是会受多种发热器件的发热量影响，那么每个移动终端表面的检测点处的表面温度都会对应一个影响其温度的发热器件集合。如此，步骤1031中，根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件，包括：
根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出对应的所述发热器件集合；从所述发热器件集合中选取温度影响的权重值最大的发热器件，作为导致表面温度超过预设值的第一目标发热器件。
所述温度影响的权重值最大的发热器件可以是一个，也可以是多个。
如此，可以在确定出表面温度中有超过预设值的目标表面温度时，就通过热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度所述超过预设值的第一目标发热器件。进而限制对应的第一目标发热器件的产热，就能有效地实现对移动终端表面的升温风险的降低。
在一些实施例中，所述方法还包括：
步骤105，在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
步骤106，根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
步骤107，在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
步骤108，对所述第二目标发热器件进行产热降低的性能限制。
这里，所述预设时间是指：完成了至少2次对至少一个发热器件的温度进行检测的时间。所述各个检测点上的温度变化值包括：各个检测点上温度变化比率或各个检测点上温度差值。所述温度变化比率是指当前时刻预测得出的温度值与前一时刻预测得出的温度值的差值与检测时间间隔的比值。
这里，所述温度变化值大于变化值阈值包括：温度的上升变化值大于变化值阈值，以及温度的下降变化值大于变化值阈值。所述温度的上升变化值是指：当前时刻检测的温度相较于前一时刻检测的温度所升高的值。所述温度的下降变化值是指：当前时刻检测的温度相较于前一时刻检测的温度所降低的值。
本公开实施例中，由于是需要确定导致检测点上的温度变化值超过所述变化值阈值的第二目标发热器件，并对所述第二目标发热器件进行产热降低的性能限制，那么确定的第二目标发热器件是温度突增的发热器件，这里对应的所述温度变化值大于变化值阈值就是指：温度的上升变化值大于变化值阈值。
所述根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值，包括：将所述多组检测温度，按照检测的时间顺序依次输入到所述目标神经网络模型中，预测得到所述移动终端表面对应的多组表面温度；基于相邻检测时刻的表面温度，确定所述移动终端表面的各个检测点上的温度变化值。
例如，假设在前一检测时刻，基于对移动终端内部的所述至少一个发热器件的温度进行检测，预测出的表面温度包括：屏幕上检测点a上的表面温度1和后壳上检测点b上的表面温度2，相对应的，在当前检测时刻，基于对移动终端内部的所述至少一个发热器件的温度进行检测，预测出的表面温度就包括：屏幕上检测点a上的表面温度3和后壳上检测点b上的表面温度4。那么，检测点a上的表面温度1和检测点b上的表面温度2为一组表面温度，检测点a上的表面温度3和检测点b上的表面温度4为另一组表面温度。检测点a上的温度变化值就包括：表面温度3与表面温度1的差值，或者，表面温度3与表面温度1的差值与当前检测时刻和前一检测时刻的时间间隔之间的比值。
由于表面温度是会反映内部的发热器件的发热情况，那么各个检测点上的温度变化值其实反映了内部的发热器件的发热量变化值。如果检测点上的温度变化值异常(如温度变化值大于变化值阈值)，那么内部的发热器件的发热量也就对应是发生了异常。在确定出发生了异常的第二目标发热器件后，即可同样地对所述第二目标发热器件进行产热降低的性能限制。
所述变化值阈值可以根据经验值或实验值确定。一般而言，不同的发热器件的发热量变化值的判断标准存在不同，例如，在同样的时间间隔内，电池的温度升高10℃可以认为是正常的，但相机模组的温度升高10℃就可能是发生了异常。如此，所述变化值阈值可以根据发热器件的发热效率来确定。
所述第二目标发热器件为发热量变化值异常的发热器件。
如此，可以通过移动终端表面的检测点上的温度变化值，对导致温度突然发生较大变化的第二目标发热器件进行确定，找出产热存在异常的第二目标发热器件，进而对它进行产热降低的处理，来进一步地规避升温风险。
在一些实施例中，所述方法还包括：
根据所述多组所述检测温度，确定所述移动终端内部的各个发热器件的温度变化值。
所述各个发热器件的温度变化值包括：各个发热器件的温度变化比率或者温度差值，所述温度变化比率反映了温度变化的速度。
基于所述各个检测点的温度变化值，所述根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过预设值的目标发热器件，包括：
在所述移动终端表面的检测点上存在超过所述预设值的目标表面温度时，根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致对应检测点的表面温度超过所述预设值的备选发热器件；
从所述备选发热器件中选择出所述温度变化值大于第二变化值阈值的所述目标发热器件。
这里，所述备选发热器件是导致对应检测点的表面温度超过所述预设值的发热器件。所述备选发热器件包含：导致对应检测点的表面温度超过所述预设值，但温度变化值没有大于第二变化值阈值的发热器件，以及导致对应检测点的表面温度超过所述预设值，且温度变化值大于第二变化值阈值的发热器件。
所述目标发热器件即是指：备选发热器件中导致对应检测点的表面温度超过所述预设值，且温度变化值大于第二变化值阈值的发热器件。所述第二变化值阈值可以根据需要设置，本公开实施例对此不作限定。
由于移动终端的表面温度是会受多种发热器件的发热量影响，那么每个移动终端表面的检测点处的表面温度都会对应一个影响其温度的发热器件集合。如此，所述备选发热器件就是目标表面温度对应的发热器件集合。
在确定了发热器件集合后，进一步将发热器件集合的各个发热器件的温度变化值与第二变化值阈值进行比较，将所述温度变化值大于第二变化值阈值的发热器件确定为目标发热器件。
如此，可以通过发热器件的温度变化值对温度突然发生较大变化，且对表面温度也对应引起了较大变化的发热器件进行确定，进而对它进行产热降低的处理，来规避升温风险。
在一些实施例中，所述方法还包括：
获取用户在不同使用场景下对所述移动终端表面的接触位置；
确定所述接触位置处的表面温度；
在所述接触位置处的表面温度超过所述预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件，并对所述第一目标发热器件进行产热降低的性能限制。
所述接触位置包括：移动终端外表面的任意一个位置，例如，屏幕外表面、边框、后壳等处。
需要说明的是，用户在不同使用场景下使用移动终端时，由于需要观看屏幕上显示的内容，那么用户手指更多地接触的是移动终端背面的下半部分和与背面垂直的两侧面的部分。如此，所述在不同使用场景下对所述移动终端表面的接触位置可以仅包括：移动终端背面的下半部分位置和与背面垂直的两侧面的部分位置等。
所述不同使用场景包括：运行游戏的场景、充电场景和/或语音通话场景。
为了确定所述接触位置处的表面温度，可以在建立模型的阶段，在移动终端表面用户经常接触的几个位置上设置待检测点，以此预测出这几个位置的表面温度。
基于此，通过对接触位置的判断，可以针对接触位置来对高风险热点进一步实施把控，降低温升风险。
图7是根据一示例性实施例示出的一种移动终端的温度处理方法的流程图四，如图7所示，所述移动终端的温度处理方法可以是：在对移动终端内部的至少一个发热器件的温度进行检测，而获取到对应的检测温度后，通过目标神经网络模型对所述检测温度进行处理，得到移动终端的的至少一个检测点上的表面温度；进而根据表面温度确定出温度高于预设值的目标表面温度，即确定出热点区域，并对热点区域对应的发热器件集合进行确定。在发热器件集合中存在发热器件的温度发生突变时，就将该发热器件集合中温度发生突变的发热器件确定为第一目标发热器件，对所述第一目标发热器件进行产热降低的性能限制。
图8为根据一示例性实施例示出的一种移动终端的红外热像图，所述红外热像图由红外线检测仪对移动终端进行照射所获得。图8中的所述红外热像图反映了移动终端在运行游戏时的表面温度分布情况。如图8所示，移动终端的右边框上存在一个检测点，在移动终端运行游戏时，以所述检测点为中心的区域内的表面温度都较高，在检测点上的温度则是最高的。这里，由于在所述检测点对应的移动终端的内部位置处放置有中央处理器等器件，在运行游戏时，由于中央处理器的运行使得对应的移动终端表面的检测点上的温度较高。
需要说明的是，图8只是针对某一型号的移动终端在运行游戏时的红外热像图，对于不同型号的移动终端，由于终端结构的不同，导致在运行游戏时所反映出的红外热像图不同。
图9为根据一示例性实施例示出的一种反映移动终端表面最高温度和时间的关系的示意图，如图9所示，横坐标表示时间，所述时间单位为秒(s)，纵坐标表示移动终端表面最高温度与1000的乘积。黑色的线所表示的是通过对移动终端进行红外照射所获取的温度，白色的线所表示的是本公开实施例中基于目标神经网络模型对发热器件的温度进行处理，所预测得到的至少一个检测点上的表面温度中的最高温度。
在图9中，横坐标上的每个时间处是发生了一次对内部的发热器件的温度的检测。在每个时间处，将对内部的发热器件的温度进行检测所得到的检测温度，输入目标神经网络模型，即可得到移动终端表面的至少一个检测点上的表面温度，将这些表面温度进行比较，即可确定出最高温度。如图9所示，在1263S处，基于对发热器件的温度检测所预测出的至少一个检测点上的表面温度中的最高温度为37℃。
这里，通过红外照射的所获取的值与本公开实施例中基于目标神经网络模型所预测的表面温度进行对比的方式，可以进一步确定本公开实施例中对移动终端表面的检测点上的表面温度的预测的准确性，为方案实施的可行性提供了依据。
本公开实施例基于所述移动终端的终端结构得到的目标神经网络模型，通过建立的所述目标神经网络模型可以实现对移动终端的表面温度的准确预测。由于准确获知了表面温度，可清楚地知道用户对手机表面的热体验，为手机的发热管理提供最直接的温度参考。进一步地，由于是基于移动终端内部的检测温度实现的对表面温度的预测，可以在得到表面温度后，就基于表面温度和检测温度的联系实现对表面温度的智能调节，以此实现对升温风险的规避。
为了准确预测出手机的表面温度，本公开实施例提供一种移动终端的温度处理装置，图10是根据一示例性实施例示出的一种移动终端的温度处理装置的结构示意图，如图10所示，所述移动终端的温度处理装置800，包括：
检测单元801，用于检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
预测单元802，用于将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
在一些实施例中，所述装置还包括：
热传导模式确定单元，用于根据所述终端结构，确定所述移动终端的热传导模式；
模型建立单元，用于基于所述热传导模式，建立待训练的神经网络模型；
获取单元，用于获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
迭代处理单元，用于将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
在一些实施例中，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值；
所述装置还包括：
终端结构确定单元，用于根据所述移动终端中包括发热器件在内的全部器件的位置，确定所述移动终端的所述终端结构；
所述热传导模式确定单元，包括：
热传导性能确定单元，用于根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
确定子单元，用于根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
在一些实施例中，所述装置还包括：
超温确定单元，用于在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
第一产热限制单元，用于对所述第一目标发热器件进行产热降低的性能限制。
在一些实施例中，所述超温确定单元，包括：
超温确定子单元，用于根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
在一些实施例中，所述装置还包括：
预测处理单元，用于在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
温度变化确定单元，用于根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
发热器件确定单元，用于在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
第二产热限制单元，用于对所述第二目标发热器件进行产热降低的性能限制。
如此，本公开实施例基于所述移动终端的终端结构得到的目标神经网络模型，通过建立的所述目标神经网络模型可以实现对移动终端的表面温度的准确预测。由于准确获知了表面温度，可清楚地知道用户对手机表面的热体验，为手机的发热管理提供最直接的温度参考。进一步地，由于是基于移动终端内部的检测温度实现的对表面温度的预测，可以在得到表面温度后，就基于表面温度和检测温度的联系实现对表面温度的智能调节，以此实现对升温风险的规避。
关于上述实施例中的单元，其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图11是根据一示例性实施例示出的一种移动终端的温度处理装置1800的框图。例如，装置1800可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。
参照图11，装置1800可以包括以下一个或多个组件：处理组件1802，存储器1804，电力组件1806，多媒体组件1808，音频组件1810，输入/输出(I/O)接口1812，传感器组件1814，以及通信组件1816。
处理组件1802通常控制装置1800的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件1802可以包括一个或多个处理器1820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件1802还可以包括一个或多个模块，便于处理组件1802和其他组件之间的交互。例如，处理组件1802可以包括多媒体模块，以方便多媒体组件1808和处理组件1802之间的交互。
存储器1804被配置为存储各种类型的数据以支持在装置1800的操作。这些数据的示例包括用于在装置1800上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器1804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘或光盘。
电力组件1806为装置1800各种组件提供电力。电力组件1806可以包括：电源管理系统，一个或多个电源，及其他与为装置1800生成、管理和分配电力相关联的组件。
多媒体组件1808包括在所述装置1800和用户之间提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件1808包括一个前置摄像头和/或后置摄像头。当装置1800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和/或后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1810被配置为输出和/或输入音频信号。例如，音频组件1810包括一个麦克风(MIC)，当装置1800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1804或经由通信组件1816发送。在一些实施例中，音频组件1810还包括一个扬声器，用于输出音频信号。
I/O接口1812为处理组件1802和外围接口模块之间提供接口，上述外围接口模块可以是键盘、点击轮、按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1814包括一个或多个传感器，用于为装置1800提供各个方面的状态评估。例如，传感器组件1814可以检测到装置1800的打开/关闭状态、组件的相对定位，例如所述组件为装置1800的显示器和小键盘，传感器组件1814还可以检测装置1800或装置1800一个组件的位置改变，用户与装置1800接触的存在或不存在，装置1800方位或加速/减速和装置1800的温度变化。传感器组件1814可以包括接近传感器，被配置为在没有任何的物理接触时检测附近物体的存在。传感器组件1814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件1814还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。
通信组件1816被配置为便于装置1800和其他设备之间有线或无线方式的通信。装置1800可以接入基于通信标准的无线网络，如WiFi、2G或3G，或它们的组合。在一个示例性实施例中，通信组件1816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件1816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术或其他技术来实现。
在示例性实施例中，装置1800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器1804，上述指令可由装置1800的处理器1820执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的温度处理装置的处理器执行时，使得能够执行上述移动终端的温度处理方法；所述移动终端的温度处理方法，包括：
检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (14)

1.一种移动终端的温度处理方法，其特征在于，应用于移动终端，所述方法包括：
检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述终端结构，确定所述移动终端的热传导模式；
基于所述热传导模式，建立待训练的神经网络模型；
获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值；
所述方法还包括：
根据所述移动终端中包括发热器件在内的全部器件的位置，确定所述终端结构；
所述根据所述终端结构，确定所述移动终端的热传导模式，包括：
根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
对所述第一目标发热器件进行产热降低的性能限制。
5.根据权利要求4所述的方法，其特征在于，所述确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件，包括：
根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
对所述第二目标发热器件进行产热降低的性能限制。
7.一种移动终端的温度处理装置，其特征在于，所述装置包括：
检测单元，用于检测所述移动终端内部的至少一个发热器件的温度，得到对应的检测温度；
预测单元，用于将得到的所述检测温度，输入到基于所述移动终端的终端结构得到的目标神经网络模型中，预测得到所述移动终端表面的至少一个检测点上的表面温度。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
热传导模式确定单元，用于根据所述终端结构，确定所述移动终端的热传导模式；
模型建立单元，用于基于所述热传导模式，建立待训练的神经网络模型；
获取单元，用于获取所述移动终端历史使用中所采集的样本数据，其中，所述样本数据包含：终端内部的检测温度样本和与所述检测温度样本对应的表面温度样本；
迭代处理单元，用于将所述检测温度样本输入到所述待训练的神经网络模型中进行迭代处理，直至输出的实际表面温度样本与所述样本数据中的所述表面温度样本的差值满足收敛条件，得到所述目标神经网络模型。
9.根据权利要求8所述的装置，其特征在于，所述热传导模式包括：对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，及所述各个检测点受所述发热器件集合中发热器件温度影响的权重值；
所述装置还包括：
终端结构确定单元，用于根据所述移动终端中包括发热器件在内的全部器件的位置，确定所述终端结构；
所述热传导模式确定单元，包括：
热传导性能确定单元，用于根据所述终端结构，确定出热传递过程中所述终端结构的不同位置产生的热阻和所述热阻的热传导性能；
确定子单元，用于根据所述热传导性能，确定对所述移动终端表面的各个检测点的温度产生影响的发热器件集合，并确定所述各个检测点受所述发热器件集合中发热器件温度影响的权重值。
10.根据权利要求8所述的装置，其特征在于，所述装置还包括：
超温确定单元，用于在所述移动终端表面存在检测点的表面温度超过预设值时，确定出所述移动终端内部导致表面温度超过所述预设值的第一目标发热器件；
第一产热限制单元，用于对所述第一目标发热器件进行产热降低的性能限制。
11.根据权利要求10所述的装置，其特征在于，所述超温确定单元，包括：
超温确定子单元，用于根据所述热传导模式中，所述移动终端表面的检测点与对应的所述发热器件集合的对应关系，确定出导致表面温度超过所述预设值的第一目标发热器件。
12.根据权利要求7所述的装置，其特征在于，所述装置还包括：
预测处理单元，用于在预设时间内，对所述移动终端内部的所述至少一个发热器件的温度进行多次检测，得到多组所述检测温度；
温度变化确定单元，用于根据所述多组所述检测温度，确定所述移动终端表面的各个检测点上的温度变化值；
发热器件确定单元，用于在所述移动终端表面存在检测点的温度变化值大于变化值阈值时，确定出所述移动终端内部导致所述温度变化值超过所述变化值阈值的第二目标发热器件；
第二产热限制单元，用于对所述第二目标发热器件进行产热降低的性能限制。
13.一种移动终端的温度处理装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行所述存储器中存储的可执行指令时，实现权利要求1至6任一项所述的方法。
14.一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的温度处理装置的处理器执行时，使得所述移动终端的温度处理装置能够执行权利要求1至6任一项所述的方法。
CN202010216932.5A 2020-03-25 2020-03-25 移动终端的温度处理方法、装置及存储介质 Pending CN113448813A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010216932.5A CN113448813A (zh) 2020-03-25 2020-03-25 移动终端的温度处理方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010216932.5A CN113448813A (zh) 2020-03-25 2020-03-25 移动终端的温度处理方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN113448813A true CN113448813A (zh) 2021-09-28

Family

ID=77806776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010216932.5A Pending CN113448813A (zh) 2020-03-25 2020-03-25 移动终端的温度处理方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN113448813A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139805A (zh) * 2021-11-29 2022-03-04 杭州逗酷软件科技有限公司 温度预测及模型训练方法和相关装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139805A (zh) * 2021-11-29 2022-03-04 杭州逗酷软件科技有限公司 温度预测及模型训练方法和相关装置

Similar Documents

Publication Publication Date Title
CN107273510B (zh) 照片推荐方法及相关产品
KR102045290B1 (ko) 발열 제어 방법 및 그 전자 장치
CN109189185B (zh) 终端温度调节方法和装置
JP6386189B2 (ja) 電力管理方法、電力管理装置及び電子機器
CN108121524A (zh) 电子设备图像显示预览帧率的调节方法和装置、电子设备
CN110032227B (zh) 加热控制方法及装置、加热设备、机器可读存储介质
CN108063897B (zh) 一种摄像头组件、焦距调节方法和移动终端
CN114154068A (zh) 媒体内容推荐方法、装置、电子设备及存储介质
CN113725954B (zh) 充电方法、装置、设备及存储介质
CN113448813A (zh) 移动终端的温度处理方法、装置及存储介质
CN109561255B (zh) 终端拍照方法、装置及存储介质
CN110955580B (zh) 壳体温度的获取方法、装置、存储介质和电子设备
CN111539617B (zh) 数据处理方法和装置、电子设备、交互系统和存储介质
CN108236456B (zh) 检测体温计放置的方法、装置及电子体温计
CN116191578A (zh) 移动终端充电控制方法、装置、设备及介质
CN108319899B (zh) 指纹识别方法和装置
CN109698292B (zh) 电源、电子设备
CN113029387A (zh) 测温方法、装置以及存储介质
CN213022329U (zh) 散热组件检测电路和电子设备
CN110149310B (zh) 流量入侵检测方法、装置及存储介质
CN115173495A (zh) 充电控制方法、装置以及存储介质
CN106292247A (zh) 用于关闭电子设备中闹钟的方法、装置、系统及其设备
EP4220819A1 (en) Method and apparatus of temperature control, and storage medium
US20220302770A1 (en) Wireless charging transmitter, wireless charging control method, apparatus and system
CN113138036B (zh) 温度检测方法及装置、电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination